python 高度健壮性爬虫的异常和超时问题



爬虫这类型程序典型特征是意外多，无法确保每次请求都是稳定的返回统一的结果，要提高健壮性，能对错误数据or超时or程序死锁等都能进行处理，才能确保程序几个月不停止。本项目乃长期维护github：反反爬虫开源库中积累下来，更多干货欢迎star。

目录：

• 一：基础try&except异常处理
• 二：普通请求函数的超时处理
• 三：selenium+chrome  | phantomjs 的超时处理
• 四：自定义函数的死锁or超时处理
• 五：自定义线程的死锁or超时处理
• 六：自重启的程序设计

一：基础try&except异常处理

try&except的语句作用不仅仅是要让其捕获异常更重要的是让其忽略异常，因为爬虫中的绝大多数异常可能重新请求就不存在，因此，发现异常的时候将其任务队列进行修复其实是个最省力的好办法。

其次被try包住的语句即使出错也不会导致整个程序的退出，相信我，你绝对不希望计划跑一个周末的程序在半夜停止了。

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10

try :      passhttp : / / top . jobbole . com / deliver - article / #      #可能出错的语句 except Exception , e :      pass      #保留错误的url，留待下次重跑      print e finally :      #无论是否处理了异常都继续运行      print time . ctime ( )

 

二：请求函数的超时处理

2.1:普通请求：

2.1.1单请求类型：

 

 

 

 

 

Python

 

1 2	import requests requests . get ( url , timeout = 60 )

 

2.1.2会话保持类型：

 

 

 

 

 

 

Python

 

1 2 3

import requesocks session = requesocks . session ( ) response = session . get ( URL , headers = headers , timeout = 10 )

 

三：selenium+chrome  | phantomjs 的超时处理

2.2.1：selenium+chrome的超时设置

官网原文：http://selenium-python.readthedocs.io/waits.html

显式等待：、等待某个条件发生，然后再继续进行代码。

 

 

 

 

 

 

1 2 3 4 5 6 7 8 9 10 11 12 13

from selenium import webdriver from selenium . webdriver . common . by import By from selenium . webdriver . support . ui import WebDriverWait from selenium . webdriver . support import expected_conditions as EC   driver = webdriver . Firefox ( ) driver . get ( "http://somedomain/url_that_delays_loading" ) try :      element = WebDriverWait ( driver , 10 ) . until (   #这里修改时间          EC . presence_of_element_located ( ( By . ID , "myDynamicElement" ) )      ) finally :      driver . quit ( )

隐式等待：是告诉WebDriver在尝试查找一个或多个元素（如果它们不是立即可用的）时轮询DOM一定时间。默认设置为0，一旦设置，将为WebDriver对象实例的生命期设置隐式等待。

 

 

 

 

 

 

1 2 3 4 5 6

from selenium import webdriver   driver = webdriver . Firefox ( ) driver . implicitly_wait ( 10 ) # seconds driver . get ( "http://somedomain/url_that_delays_loading" ) myDynamicElement = driver . find_element_by_id ( "myDynamicElement" )

 

2.2.2：phantomjs的超时设置

这里使用不带selenium的phantomjs，需要使用js。主要设置语句是

 

 

 

 

 

JavaScript

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

page . settings . resourceTimeout = 5000 ; // 等待5秒   var system = require ( 'system' ) ; var args = system . args ; var url = args [ 1 ] ; var page = require ( 'webpage' ) . create ( ) ; page . settings . resourceTimeout = 5000 ; // 等待5秒 page . onResourceTimeout = function ( e ) { console . log ( e . errorCode ) ; & nbsp ; & nbsp ; //打印错误码 console . log ( e . errorString ) ; //打印错误语句 console . log ( e . url ) ; & nbsp ; & nbsp ; & nbsp ; & nbsp ; //打印错误url phantom . exit ( 1 ) ; } ; page . open ( url , function ( status ) { if ( status === 'success' ) { var html = page . evaluate ( function ( ) { returndocument . documentElement . outerHTML ; } ) ; console . log ( html ) ; } phantom . exit ( ) ; } ) ; //$phantomjs xx.js http://bbs.pcbaby.com.cn/topic-2149414.html

 

四：自定义函数的死锁or超时处理

这个非常重要！！

python是顺序执行的，但是如果下一句话可能导致死锁（比如一个while（1））那么如何强制让他超时呢？他本身如果没有带有超时设置的话，就要自己运行信号（import signal）来处理

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

#coding:utf-8 import time import signal   def test ( i ) :      time . sleep ( 0.999 ) #模拟超时的情况      print "%d within time" % ( i )      return i   def fuc_time ( time_out ) :      # 此为函数超时控制，替换下面的test函数为可能出现未知错误死锁的函数      def handler ( signum , frame ) :          raise AssertionError      try :          signal . signal ( signal . SIGALRM , handler )          signal . alarm ( time_out ) #time_out为超时时间          temp = test ( 1 ) #函数设置部分，如果未超时则正常返回数据，          return temp      except AssertionError :          print "%d timeout" % ( i ) # 超时则报错   if __name__ == '__main__' :      for i in range ( 1 , 10 ) :          fuc_time ( 1 )

 

 

五：自定义线程的死锁or超时处理

在某个程序中一方面不适合使用selenium+phantomjs的方式（要实现的功能比较难不适合）因为只能用原生的phantomjs，但是这个问题他本身在极端情况下也有可能停止（在超时设置之前因为某些错误）

那么最佳方案就是用python单独开一个线程（进程）调用原生phantomjs，然后对这个线程进程进行超时控制。

这里用ping这个命令先做测试，

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

import subprocess from threading import Timer import time   kill = lambda process : process . kill ( )   cmd = [ "ping" , "www.google.com" ] ping = subprocess . Popen (      cmd , stdout = subprocess . PIPE , stderr = subprocess . PIPE )   my_timer = Timer ( 5 , kill , [ ping ] ) #这里设定时间，和命令 try :      my_timer . start ( ) #启用      stdout , stderr = ping . communicate ( ) #获得输出      #print stderr      print time . ctime ( ) finally :      print time . ctime ( )      my_timer . cancel ( )

 

六：自重启的程序设计

比如程序在某种情况下报错多次，，那么满足条件后，让其重启即可解决大多数问题，当然这只不过是治标不治本而已，如果这个程序重启没有大问题（例如读队列类型）那么自重启这是最省力的方式之一。

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12

import time import sys import os def restart_program ( ) :    python = sys . executable    os . execl ( python , python , * sys . argv )    if __name__ == "__main__" :    print 'start...'    print u "3秒后,程序将结束..." . encode ( "utf8" )    time . sleep ( 3 )    restart_program ( )